H-SynEx：基于合成图像与超高分辨率离体MRI的下丘脑亚区分割方法及其在多模态序列中的泛化应用

　　本综述系统介绍了一种创新性机器学习方法H-SynEx，该方法利用超高分辨率离体MRI（ex vivo MRI）生成的合成图像，实现了跨不同MRI序列（包括T1、T2、PD、FA、qT1和FLAIR）与分辨率的下丘脑亚区自动分割，无需重新训练即可精准应用于阿尔茨海默病（AD）和行为变异型额颞叶痴呆（bvFTD）等神经退行性疾病研究，为小结构脑区分析提供了突破性技术方案。

　　

Highlight

Training data

H-SynEx的训练数据源自10例死后大脑半球（5男5女）的超高分辨率离体MRI扫描，其体素分辨率高达120–150 μm。这些捐赠者均无临床诊断或神经病理学异常，死亡年龄介于54至79岁（平均66.4±8.46岁）。

Preprocessing of ex vivo MRI

为构建用于生成合成图像的标签图，我们对离体MRI扫描进行了以下处理：

• •

  预处理：将图像重定向至标准RAS坐标系，翻转右半球数据，去除非脑组织体素，并进行偏置场校正。随后将图像重采样至0.3 mm分辨率，以兼顾超高分辨率需求与计算效率（图3a,b）。

• •

  标签图生成：（具体方法未在片段中展开，但强调其基于精细解剖边界的手动标注优势）

Experiments and results

H-SynEx依托离体超高分辨率标签图衍生的合成图像进行训练。合成策略提升了模型跨序列泛化能力，而离体数据的高分辨率特性增强了其对下丘脑微小结构的刻画精度。实验设计涵盖多场景验证（详见表2），包括不同序列（T1w、T2w、PD、FA、qT1、FLAIR）及各向异性分辨率（如5 mm层厚）数据。

Discussion and conclusion

下丘脑因体积小、与周边组织对比度低，导致手动分割困难且重复性差。H-SynEx作为首例融合离体超高分辨率MRI与合成图像的自动分割方法，突破了传统工具仅限特定序列（如T1w）的局限，无需重训练即可适应多对比度、多分辨率数据，为神经退行性疾病的精细影像研究提供了可靠工具。